Algorytmy memetyczne i ich zastosowania

Slides:



Advertisements
Podobne prezentacje
Algorytmy genetyczne.
Advertisements

„Wielokryterialna optymalizacja pracy systemu wytwarzania o strukturze przepływowej – algorytm memetyczny” Przygotował: Dominik Żelazny, IIAR.
Marcin Miczek Algorytmy genetyczne i ich zastosowanie do dopasowywania zależności teoretycznych do doświadczalnych Szanowni Państwo! Mam zaszczyt przedstawić.
Wprowadzenie do optymalizacji wielokryterialnej.
Algorytmy ewolucyjne Termin EC (Evolutionary Computation) obliczenia ewolucyjne obejmuje wiele technik obliczeniowych kluczowym elementem jest model procesów.
Wykorzystanie algorytmów genetycznych do optymalizacji planu produkcyjnego odlewni Krzysztof Krawczyk.
Algorytmy genetyczne Nowak Sławomir
Programowanie genetyczne (Genetic Programming)
Kształtowanie Środowiska Wykład
SZTUCZNA INTELIGENCJA ARTIFICIAL INTELLIGENCE
Sztuczne życie i algorytmy genetyczne
Materiały pochodzą z Platformy Edukacyjnej Portalu
Algorytmy genetyczne Motto:
Stochastyczne modele gier ewolucyjnych Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski.
Hybrydowe metody optymalizacji geometrii. Prezentacja wyników.
Optymalizacja własności mikrostruktury przy pomocy algorytmów genetycznych na bazie Cyfrowej Reprezentacji Materiału Autor: Daniel Musiał Promotor: dr.
Zadania obliczeniowe, algorytmy i złożoność obliczeniowa
Nieelitystyczne algorytmy ewolucyjnej optymalizacji wielokryterialnej
Wskaźniki. Definiowanie wskaźników Wskaźnik może wskazywać na obiekt dowolnego typu. int * w; char * Wsk_Znak; float * Wskaz_Real; Przykłady: Wskaźnik.
Sztuczna Inteligencja Szukanie heurystyczne II
Opracował: dr inż. Michał Krzemiński
Algorytmy genetyczne - plan wykładu
Algorytmy genetyczne - plan wykładu
Algorytmy genetyczne - plan wykładu
Paweł Kupis Jacek Mańdziuk
SZTUCZNA INTELIGENCJA ARTIFICIAL INTELLIGENCE
Migracyjne ( Wyspowe ) Algorytmy Ewolucyjne
Algorytmy genetyczne.
Algorytmy genetyczne.
Algorytmy immunologiczne
Hipoteza cegiełek, k-ramienny bandyta, minimalny problem zwodniczy
Systemy Wspomagania Decyzji
Rainer Storn Kenneth Price DE
Algorytmy Genetyczne Wprowadzenie.
Algorytmy immunologiczne
Równoległe algorytmy genetyczne w optymalizacji kombinatorycznej
Algorytm genetyczny.
Algorytmy kulturowe Teoria i zastosowanie.
na podstawie materiału – test z użyciem komputerowo generowanych prób
Systemy wspomagania decyzji
autorzy: Michał Przykucki Małgorzata Sulkowska
Model I/O bazujący na HSWN Problem uczenia sieci HSWN
Marcin Jaruszewicz Jacek Mańdziuk
Autor: Karol Podsiadło Kierujący pracą: dr inż. Ewa Płuciennik-Psota
SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA
Teoriogrowe modele popromiennego efektu sąsiedztwa (bystander effect) Andrzej Świerniak, Michał Krześlak Politechnika Śląska Instytut Automatyki.
Urszula Boryczka Testy De Jonga Urszula Boryczka
Koło Naukowe. Wprowadzenie Organizujemy koło naukowe Institut Informatyki Ekonomicznej / KTI Cele i działania poszerzanie zainteresowań znalezienie interesujących.
Do technik tych zalicza się: * sztuczne sieci neuronowe
Wyszukiwanie maksimum funkcji za pomocą mrówki Pachycondyla Apicalis.
INŻYNIERIA BEZPIECZEŃSTWA Sztuczna Inteligencja
Biologia PREZENTACJA EWOLUCJA.
ENDOG Monitorowanie zmienności genetycznej w małych populacjach na postawie danych rodowodowych.
Rozwój zrównoważony Marzena Łyp.
System gromadzenia i udostępniania informacji o ruchu pojazdów i przesyłek w przedsiębiorstwie kurierskim Autor: Karol Podsiadło gr. OS1 Promotor: dr inż.
Hierarchiczne obliczenia ewolucyjne w środowisku wieloagentowym Autorzy: Tomasz Borowiec, Damian Kędzierski AGH Kraków, grudzień 2010 Promotor: dr inż.
Algorytmy Genetyczne Anna Tomkowska Politechnika Koszalińska
4 lipca 2015 godz pok września 2015 godz pok. 212.
Optymalizacja Monte-Carlo - algorytmy inspirowane przyrodniczo (algorytmy genetyczne, symulowane wyżarzanie, stadne strategie obliczeniowe) Przykład 2.
Wybrane zagadnienia inteligencji obliczeniowej Zakład Układów i Systemów Nieliniowych I-12 oraz Katedra Mikroelektroniki i Technik Informatycznych proponują.
SZTUCZNA INTELIGENCJA
Wizualizacja algorytmu grupowania k-średnich Maciej Łakomy Promotor: Dr hab. prof. WWSI Michał Grabowski.
mutacyjnego algorytmu ewolucyjnego
Nisza ekologiczna.
MUTACJE I CZYNNIKI MUTAGENNE
WAE Jarosław Arabas Algorytm ewolucyjny
Programowanie z Akademią Khana Maciej Borowiecki
Sztuczna Inteligencja Szukanie heurystyczne II
PLANU NA 2018 R. ORAZ WYKONANIE NA I PÓŁPROCZE 2018 R.
Sztuczna Inteligencja Szukanie heurystyczne II
Zapis prezentacji:

Algorytmy memetyczne i ich zastosowania Maciej Świechowski Promotor: prof. Jacek Mańdziuk

CZYM jest memetyka?

Memetyka Teoria ewolucji kulturowej zakładająca istnienie jednostki informacji kulturowej zwanej memem. (np. idei, przekonania, wzorca zachowania) Analogia: gen - jednostka doboru w ewolucji Darwinowskiej. mem – jednostka doboru w ewolucji kulturowej

Memetyka Teoria ewolucji kulturowej zakładająca istnienie jednostki informacji kulturowej zwanej memem. (np. idei, przekonania, wzorca zachowania) Mem zwany jest również jednostką imitacji.

Motywacja, uzasadnienie? Założenie, że proces ewolucji nie jest zarezerwowany wyłącznie dla biologii.

Różnica ewolucji Geny: Dziedziczowe przez potomków od rodziców Zmiany pojawiają się w kolejnych populacjach Memy: Przechodzą z mózgu do mózgu Do wymiany informacji wystarczy „spotkanie” – zmiany również w obrębie życia osobniczego Szybsze tempo ewolucji!

Memetyka 1976 – R. Dawkins „The Selfish Gene” Pojawia się pojęcie „mem” „What lies at the heart of every living thing is not a fire, not a warm breath, not a ‚spark of life’. It is information, words, instructions.”

Memetyka Stosunkowo młoda i prężnie rozwijająca się dziedzina. 1989 – P. Moscato – pierwsza wzmianka nazwy Memetic Algorithm 1997 – powstaje Journal of Memetics 2012 – 50 700 wyników memetic algorithm* w wyszukiwarce IEEE Stosunkowo młoda i prężnie rozwijająca się dziedzina.

Algorytm memetyczny... ...można widzieć jako: Metodę Inteligencji Obliczeniowej nadaje się do problemów słabo algorytmizowalnych nadaje się do problemów NP nie „twardy” algorytm, a w idei uniwersalny dla wielu zagadnień Algorytm ewolucyjny Algorytm optymalizacyjny bazujący na populacji

Można spotkać w literaturze jako: Memetic Algorithms (MA) Hybrid Evolutionary Algorithms Cultural Algorithms (CA) (Baldwinian, Lamarckian) Evolutionary Algorithms

TRADYCYJNY ALGORYTM GENETYCZNY

Algorytm genetyczny N T Inicjalizacja populacji początkowej (zwykle poprzez losowanie) Ocena każdego osobnika populacji dzięki funkcji przystosowania (selekcja) Rodzi się nowe pokolenie Zastosowanie operatorów ewolucyjnych (mutacja i krzyżowanie) N T Warunek stopu?

Zadania projektowe Wybór metody selekcji Określenie sposobu kodowania parametrów rozwiązania w postaci chromosomu Zaprojektowanie funkcji przystosowania (oceny) [ang. fitness function] Wybór metody selekcji metoda ma za zadanie wybrać osobniki do dalszych faz ewolucji Określenie operatorów mutacji i krzyżowania

Kodowanie chromosomów Kodujemy parametry problemu w chromosomach, aby metoda ‚działała sama’ i przeszukiwała potencjalną przestrzeń rozwiązań. operatory ewolucyjne modyfikują parametry osobników

Kodowanie chromosomów Problem trudny, od którego istotnie zależy jakość przeszukiwania, w szczególności osiągalność potencjalnych rozwiązań. Często spotykane reprezentacje: wektor lub macierz bitów (np. zestaw liczb zapisanych binarnie) drzewa genetyczne, gdzie operatory przepinają węzły w drzewie

Funkcja przystosowania Miara rozwiązania problemu np. wartość minimalizowanej funkcji... odległość od pewnego punktu... koszt wytworzenia pewnego urządzenia... długość drogi w grafie... ściśle zależy od typu zadania.

Selekcja Wiele strategii, np. metoda ruletkowa metoda turniejowa (stochastyczne jednorodne próbkowanie) metoda turniejowa metoda k-najlepszych (odcięciowa) metoda losowa metody hybrydowe np. k-najlepszych + m-losowych np. tylko na część mają prawo działać operatory ewolucyjne

Podstawowe operatory ewolucyjne Krzyżowanie (rekombinacja) wymiana informacji pomiędzy genotypami osobników bez dodawania nowych cech z zewnątrz osobniki reprezentują pewne zestawy cech i chcemy przeszukiwać ich nowe k Mutacja wprowadzanie drobnych losowych zmian w zakodowanych genach celem szersza eksploracja przestrzeni oraz zapobieganie przedwczesnej zbieżności

Wady algorytmów genetycznych Częstym problemem jest przedwczesna zbieżność i stagnacja populacji W szerokiej gamie zagadnień, metoda ma tendencję do zbiegania tylko do lokalnych ekstremów Lokalizacja otoczenia ekstremów owszem, ale algorytmowi niezwykle ciężko jest znaleźć dokładne rozwiązanie (nie taka jest idea GA) Słaba skalowalność wraz ze wzrostem złożoności modelu i kodowania chromosomów. - zwłaszcza jeśli mutacja ma duży zasięg

Wady algorytmów genetycznych Rozległe (zbyt wielowymiarowe) kodowanie osobników oraz obliczanie funkcji oceny dla każdego osobnika – często sprawia, że algorytmy genetyczne są za wolne w wielu zastosowaniach (np. gry real-time) Problem omijania przeszkód w przestrzeni rozwiązań, czyli pewnych zabronionych obszarów. Niska efektywność w problemach, gdzie funkcja oceny jest tylko decyzją TAK/NIE. Brakuje wskazówki jak się zbliżać do rozwiązania.

ALGORYTMy MEMETYCZNE

Różnica ewolucji Idea: hybrydyzacja Geny: Dziedziczowe przez potomków od rodziców Zmiany pojawiają się w kolejnych populacjach Memy: Przechodzą z mózgu do mózgu Do wymiany informacji wystarczy „spotkanie” – zmiany również w obrębie życia osobniczego Szybsze tempo ewolucji! Idea: hybrydyzacja

Hybrydyzacja Wprowadzenie lokalnej optymalizacji: klasyczna część genetyczna: eksploracja lokalna część memetyczna: eksploitacja Wprowadzenie algorytmów wykorzystujących wiedzę o problemie do poprawy osobników pomiędzy generowaniem nowych populacji (tutaj idea memetyki)

Kilka generacji algorytmów memetycznych Algorytmy memetyczne nie mają jednej, ścisłej postaci - to pewna klasa algorytmów bazująca na przedstawionej wcześniej idei. [Moscato P. 1989] – pierwsza generacja MA – dodanie do cyklu ewolucji metody lokalnego poprawiania [Smith J.E. 2007] – złożone strategie memetyczne realizujące koncepcję uniwersalnej ewolucji.

Algorytm hybrydowy N T MA - 0 Inicjalizacja populacji początkowej (zwykle poprzez losowanie) Ocena każdego osobnika populacji dzięki funkcji przystosowania (selekcja) MA - 1 Rodzi się nowe pokolenie Zastosowanie operatorów ewolucyjnych (mutacja i krzyżowanie) MA - 2 N T Warunek stopu? MA - 4 Lokalne przeszukiwanie

Lokalne przeszukiwanie Zależy od problemu, które rozwiązuje Może być umieszczone: na początku w celu wygenerowania potencjalnie lepszej populacji wejściowej (before) w fazie oceny przystosowania, tuż przed selekcją (interleaved) po mutacji i krzyżowaniu korzystając z nowego punktu startowego do przeszukiwania (interleaved) po zakończeniu fazy ewolucyjnej do ostatecznego poprawienia rozwiązania (after)

Początkowa populacja Przykładowe strategie: wylosuj N osobników zgodnie z jednorodnym rozkładem i popraw każdego metodą lokalnego przeszukiwania Wylosuj N osobników, popraw lokalnym przeszukiwaniem, wybierz K << N najlepszych, a pozostałe N – K sklonuj z operatorem mutacji przemieszaj losową populacje z rozwiązaniami heurystycznymi (niekoniecznie bardzo dobrze rozwiązującymi problem)

Lokalne przeszukiwanie Przeszukiwanie umieszczone wewnątrz (typu interleaved) musi: Operować na kodowaniu chromosomów lub Rozkodować chromosom, operować we własnej przestrzeni i zakodować nowy wynik z powrotem jako chromosom

Lokalne przeszukiwanie Podejmowane z pewnym prawdopodobieństwem ∈[0,1] Warunkiem końca może być m.in.: stała ilość iteracji lokalnego przeszukiwania spadek funkcji przystosowania poniżej ustalonego progu zbyt duży spadek lub zbyt mały wzrost funkcji przystosowania heurystyka historyczna

Lokalne przeszukiwanie Przeszukiwanie umieszczone wewnątrz może ingerować w operatory krzyżowania i mutacji: mutacja/krzyżowanie w określonym kierunku. [Krasnogor, 2002] – optymalizacja lokalna umieszczona przed selekcją powinna się różnić od tej, która wpływa na operatory: Bardziej efektywne przeszukiwanie przestrzeni Oddzielenie roli mutacji i krzyżowania od lokalnej poprawy

NAJNOWSZE TRENDY

Założenia uniwersalnej ewolucji Zmienność: Różnorodność Dziedziczenie

Założenia uniwersalnej ewolucji Zmienność: jako ciągły proces wynikająca z doboru naturalnego – zmiany ku lepszemu przystosowaniu Różnorodność genetyczna Dziedziczenie w szczególności wszystkie osobniki są ze sobą spokrewnione dzięki wspólnemu przodkowi

Założenia uniwersalnej ewolucji Zmienność: jako ciągły proces wynikająca z doboru naturalnego – zmiany ku lepszemu przystosowaniu Różnorodność genetyczna implikuje zdolność do nabywania nowych cech wynika z różnych potrzeb przystosowania Dziedziczenie w szczególności wszystkie osobniki są ze sobą spokrewnione dzięki wspólnemu przodkowi

Najnowsze trendy Materiał memetyczny jest zakodowany i umieszczenie w części genotypu Lokalna procedura poprawy implikowana jest przez zakodowany mem. Mem jest oceniany (nagradzany lub karany) jeśli procedura, którą generuje zwiększa przystosowanie osobnika. Część genotypu zawierająca mem niezależnie podlegają dziedziczeniu oraz (opcjonalnie) operatorom ewolucji.

Najnowsze trendy 1 generacja: 2 generacja: 3 generacja: Statyczna, znana a priori metoda lokalnej poprawy. 2 generacja: Ewoluująca, znana a priori metoda lokalnej poprawy. 3 generacja: Ewoluująca i samoucząca się metoda lokalnej poprawy. (w ten sposób spełnienie warunków uniwersalnej ewolucji)

Dwa modele dziedziczenia Lamarkianizm Osobniki bezpośrednio przekazują swoje chechy memetyczne potomstwu. Baldwinizm Cześć genotypu związana z memami nie jest przekazywana. Zamiast tego ocena przystosowania potomka jest wynikiem lokalnej optymalizacji rodzica.

Co z tego wynika? Lamarkianizm Procedura lokalnej poprawy uczy się dla każdej linii osobników. Baldwinizm Procedura lokalnej poprawy nadaje kierunek ewolucji (w klasycznym sensie).

ZASTOSOWANIA ALGORYTMÓW MEMETYCZNYCH

Zastosowania algorytmów memetycznych Klasyczne problemy kombinatoryczne, w szczególności problemy z klasy NP między innymi: podziały grafowe problem plecakowy (oraz decyzyjny problem plecakowy) problem komiwojażera marszrutyzacja znajdowanie pokrycia zbioru znajdowanie największego zbioru niezależnego kolorowanie grafów ...

Zastosowania algorytmów memetycznych Optymalizacja wielokryterialna Znajdowanie drogi (np. trasy robotów mobilnych) Optymalizacja kształtu w projektowaniu (np. częsci samolotów, kalibracja silników) Projektowanie obwodów elektrycznych, redukcja złożoności i kosztu

Zastosowania algorytmów memetycznych Harmonogrowanie zadań (scheduling) Optymalne systemy sterujące Opracowywanie struktur atomowych i molekularnych Uczenie maszynowe, uczenie sieci neuronowych

Zastosowania algorytmów memetycznych [H. Ishibuchi, T. Yoshida, and T. Murata: “Balance between genetic search and local search in memetic algorithms for multiobjective permutation flowshop scheduling” ‖ IEEE Transaction on Evolutionary Computation, vol. 7, no. 2, pp. 204-223, 2003.] [T. Ke, M. Yi, and Y. Xin: “Memetic Algorithm With Extended Neighborhood Search for Capacitated Arc Routing Problems”, ‖ IEEE Transactions on Evolutionary Computation, vol. 13, no. 5, pp. 1151-1166, 2009.]

Zastosowania algorytmów memetycznych [A. Caponio, G. L. Cascella, F. Neri, N. Salvatore, and M. Sumner: “A Fast Adaptive Memetic Algorithm for Online and Offline Control Design of PMSM Drives”, IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, vol. 37, no. 1, pp. 28-41, 2007] [A. S. S. M. B. Ullah, R. Sarker, D. Cornforth, and C. Lokan, "An agent-based memetic algorithm (AMA) for solving constrained optimization problems," In IEEE Congress on Evolutionary Computation, 2007, pp. 999–1006.]

Przykład “Wielokryterialna optymalizacja pracy systemu wytwarzania o strukturze przepływowej” [Żelazny D., Politechnika Wrocławska] Problem: Zbiór m maszyn M = {1,2,…,m} Zbiór n niepodzielnych zadań J = {1,2,..,n) Zbiór operacji O = { (i,j): I ∈ M, j ∈𝑱 Każda operacja wykonuje się w pewnym niezerowym czasie.

Przykład Cel: Takie uszeregowanie zadań aby minimalizować dwie funkcje kryterialne – średni 𝑪 𝒂𝒗𝒈 oraz maksymalny 𝑪 𝒎𝒂𝒙 czasu przepływu. Algorytm genetyczny: PMX: operator krzyżowania Random swap: mutacja

Lokalne przeszukiwanie Po wygenerowaniu nowego potomstwa włączenie algorytmu zwanego (LS NSGA-II) Local Search Elitist Non-dominated Sorting Genetic Algorithm.

PRZYK

Uniwersalne metody lokalnego przeszukiwania Metody gradientowe LS NSGA-II BFGS (Broyden–Fletcher–Goldfarb–Shanno) - metoda quasi-Newtonowska Hill-Climbing HCS (Hill-Climbing with Sidestep) CMA-ES (Covariance Matrix Adaptaion Evolution Strategy)

Uniwersalne metody lokalnego przeszukiwania Omijanie przeszkód i obszarów zabronionych (w dziedzinie danego problemu) Małe losowe, lokalne zmiany w strukturze grafów w przypadku problemów grafowych np. usuwanie wierzchołków np. badanie ustalonego sąsiedztwa w celu znalezienia ‘lepszych’ krawędzi cokolwiek w danym zagadnieniu to znaczy

DZIĘKUJĘ ZA UWAGĘ